ANALISIS ASOSIASI MENGGUNAKAN ALGORITMA ECLAT...

ANALISIS ASOSIASI MENGGUNAKAN ALGORITMA ECLAT PADA

TOKO GROSIR PANCARAN BAHAGIA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Disusun Oleh:

IGNASIUS GAYOH ADI JAYA

155314043

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

ANALISIS ASOSIASI MENGGUNAKAN ALGORITMA ECLAT PADA

TOKO GROSIR PANCARAN BAHAGIA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Disusun Oleh:


155314043

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019


ii

ASSOCIATION ANALYSIS USING ECLAT ALGORITHM AT

PANCARAN BAHAGIA WHOLESALE STORE

THESIS

Present as Partial Fulfillment of the Requirement

To Obtain Sarjana Komputer Degree

in Informatics Engineering Study Program

By:


155314043

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


iii


iv


v

HALAMAN PERSEMBAHAN

“If God sends you many sufferings, it is a sign that He has great plans for you and

certainly wants to make you a saint.”

-St. Ignatius of Loyola-

“FORTIS FORTUNA ADIUVAT”

-Latin Proverb-

Dengan segala rasa syukur, skripsi ini saya persembahkan kepada

TUHAN YESUS KRISTUS

Sang Juru Selamat Sejati

BUNDA MARIA

Sang Bunda Maharahim

Bapak Yohanes Wakija

Ibu Tri Riwayatiningsih

Kakak Francino Gigih Adi Saputra

Almamaterku Universitas Sanata Dharma


vi


vii


viii

ABSTRAK

Toko grosir merupakan salah satu usaha yang tumbuh sangat pesat pada

era globalisasi ini. Perlu strategi yang mumpuni bagi para pelaku bisnis untuk

meningkatkan usahanya agar tidak kalah bersaing dengan pesaing-pesaingnya.

Salah satu strategi yang dapat digunakan untuk mengembangkan bisnis adalah

penambangan data. Penambangan data sendiri adalah suatu proses yang dilakukan

untuk menemukan informasi baru yang bermanfaat yang berasal dari basis data

besar yang telah dikumpulkan dan dianalisis. Salah satu metode dari

penambangan data adalah asosiasi.

Pada penelitian ini, penulis menggunakan algoritma ECLAT untuk

melakukan analisis asosiasi menggunakan dataset transaksi penjualan pada bulan

Februari tahun 2017 di toko grosir Pancaran Bahagia. Dataset yang digunakan

adalah dataset yang terpilih sebanyak 100 record dengan atribut yang digunakan

adalah nama barang, no. struk dan tanggal transaksi serta menetapkan minimum

support = 2 dan 3 serta minimum confidence = 50%.

Pengujian yang dilakukan terhadap 100 record tersebut dengan minimum

support = 2 dan minimum confidence = 50% mendapatkan hasil berupa 30 aturan

asosiasi. Nilai lift ratio tertinggi dari 30 aturan asosiasi tersebut yaitu 63.000001.

Untuk minimum support = 3 dan minimum confidence = 50% ditemukan 2 aturan

asosiasi. Kedua aturan asosiasi tersebut memperoleh nilai lift ratio yang sama

yaitu 1.458335.

Kata kunci: Penambangan Data, ECLAT, support, confidence, lift ratio.


ix

ABSTRACT

Wholesale stores are one of the businesses that have grown very rapidly in

this era of globalization. A qualified strategy is needed by business people to

improve their business so they can compete with their competitors. One of the

strategies that can be used to develop a business is data mining. Data mining is a

process that is carried out to find new useful knowledge from large databases that

has been collected and analyzed. One method of data mining is association.

In this study, the authors used the ECLAT algorithm to conduct

association analysis using the sales transaction dataset in February 2017 at the

Pancaran Bahagia wholesale store. The selected 100 records formed the dataset

consist of the following attributes the name of the item, receipt number and date

of transaction. An experiment was performed by determine minimum support = 2

and 3, while minimum confidence = 50%.

The experiment with the minimum support = 2 and minimum confidence =

50% get resulted on 30 association rules. The highest lift ratio of the 30 rules of

the association is 63.000001. The experiment with minimum support = 3 and

minimum confidence = 50% resulted on 2 association rules. The 2 association

rules have the same lift ratio value of 1.458335.

.

Keywords: Data mining, ECLAT, support, confidence, lift ratio.


x

KATA PENGANTAR

Puji syukur saya haturkan kepada Tuhan Yang Maha Esa, atas karunia

yang telah diberikan-Nya penulis dapat menyelesaikan skripsi dengan sangat baik.

Dalam menyelesaikan skripsi ini penulis mendapat bantuan, bimbingan

dan arahan dari berbagai pihak. Oleh karena itu penulis mengucapkan terima

kasih yang tak terhingga kepada:

1. Drs. Johanes Eka Priyatma, M.Sc., Ph.D. selaku Rektor Universitas Sanata

Dharma.

2. Dr. Anastasia Rita Widiarti, M. Kom., selaku Ketua Program Studi Tenik

Informatika yang selalu memberikan semangat dan dukungan, perhatian serta

saran kepada mahasiswa yang berjuang mengerjakan tugas akhir.

3. Ibu Paulina Heruningsih Prima Rosa, S.Si., M.Sc. selaku dosen pembimbing

yang telah membantu dan membimbing penulis dalam menyelesaikan skripsi

ini.

4. Bapak JB. Budi Darmawan S.T., M.Sc. selaku dosen pembimbing akademik

yang telah membantu dalam proses perkuliahan.

5. Kedua orang tua saya yang tercinta Bapak Yohanes Wakija dan Ibu Tri

Riwayatiningsih yang senantiasa memberikan doa, dukungan baik berupa

moril maupun materiil, serta dorongan yang besar kepada penulis sehingga

penulis dapat menyelesaikan skripsi dengan baik.

6. Mas Francino Gigih Adi Saputra yang juga selalu memberi dukungan untuk

menyelesaikan skripsi dan membantu menyelesaikan persoalan saat penulis

menghadapi kesulitan dalam pengerjaan.

7. Sahabat saya Patricia, dan Tempe Benguk (Suryo, Novri, Adres, Jeri, Enjang,

Mega, Zenggi, Ditto, David dan Piter), yang senantiasa selalu ada di masa

suka maupun duka.

8. Sahabat lainnya Kevin, Felli, Ruth, Aji, Dama, Bayu yang menjadi teman

untuk brainstorming saat proses pengerjaan skripsi.

9. Sahabat lainnya juga Debora, Ayas, Uni, Elfrida, Monica, Ventya, Natalia,

Anindya serta seluruh teman-teman Teknik Informatika 2015 yang juga ikut

mewarnai hari-hari perkuliahan penulis.


xi

10. Semua pihak yang tidak dapat disebutkan satu persatu yang telah ikut

membantu penulis baik dalam proses pengerjaan skripsi maupun kegiatan

perkuliahan dan di luar perkuliahan.

Penulis menyadari bahwa masih banyak kekurangan pada Tugas Akhir ini.

Mengingat keterbatasan pengetahuan dan pengalaman peneliti, maka peneliti

mengharapkan kritik dan saran atas Tugas Akhir ini. Akhir kata, peneliti

mengharapkan Tugas Akhir ini dapat bermanfaat bagi banyak pihak dan bagi para

pembacanya.

Penulis,

Ignasius Gayoh Adi Jaya


xii

DAFTAR ISI

HALAMAN PERSETUJUAN ............................................................................ iii

HALAMAN PENGESAHAN ............................................................................. iv

HALAMAN PERSEMBAHAN ........................................................................... v

PERNYATAAN KEASLIAN KARYA ............................................................. vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS .......................................................... vii

ABSTRAK .......................................................................................................... viii

ABSTRACT .......................................................................................................... ix

KATA PENGANTAR ........................................................................................... x

DAFTAR ISI ........................................................................................................ xii

DAFTAR PERSAMAAN.................................................................................... xv

DAFTAR GAMBAR .......................................................................................... xvi

DAFTAR TABEL ............................................................................................ xviii

BAB I PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang ....................................................................................... 1

1.2 Rumusan Masalah .................................................................................. 2

1.3 Tujuan Penelitian ................................................................................... 3

1.4 Batasan Masalah ..................................................................................... 3

1.5 Manfaat Penelitian ................................................................................. 3

1.6 Sistematika Penulisan ............................................................................ 3

BAB II LANDASAN TEORI ............................................................................... 5

2.1 Pengertian Data Mining ......................................................................... 5

2.2 Pengelompokan Data Mining ................................................................ 7

2.3 Definisi Association Rule ........................................................................ 8

2.4 Algoritma ECLAT ................................................................................... 9

2.5 Lift Ratio ................................................................................................ 11

BAB III METODOLOGI PENELITIAN ......................................................... 13

3.1 Sumber Data ......................................................................................... 13

3.2 Spesifikasi Alat ..................................................................................... 13

3.3.1 Hardware ........................................................................................ 13

3.3.2 Software ......................................................................................... 13


xiii

3.3 Tahap-tahap Penelitian ........................................................................ 13

3.3.1 Studi Kasus .................................................................................... 13

3.3.2 Penelitian Pustaka ......................................................................... 14

3.3.3 Knowledge Discovery in Database (KDD) .................................... 14

3.3.4 Pengembangan Perangkat Lunak ............................................... 15

BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT

LUNAK ................................................................................................................ 16

4.1 Pemrosesan Awal .................................................................................. 16

4.1.1 Pembersihan Data (Data Cleaning) ............................................. 16

4.1.2 Seleksi Data (Selection Data) ........................................................ 16

4.1.3 Transformasi Data (Data Transformation) ................................. 18

4.1 Perancangan Perangkat Lunak .......................................................... 19

4.2.1 Perancangan Umum ..................................................................... 19

4.2.2 Desain Use Case ............................................................................. 21

4.2.3 Gambaran Umum Use Case .......................................................... 22

4.2.4 Narasi Use Case ............................................................................. 22

4.2.5 Desain Struktur Data .................................................................... 22

4.2.6 Diagram Kelas Analisis ................................................................ 26

4.2.7 Diagram UML ............................................................................... 27

4.2.8 Detail Diagram UML .................................................................... 28

4.2.9 Perancangan Antarmuka/Graphic User Interface (GUI) .......... 32

4.2.10 Algoritma per Method ................................................................... 35

BAB V IMPLEMENTASI DAN EVALUASI HASIL ..................................... 36

5.1 Implementasi Rancangan Perangkat Lunak ..................................... 36

5.1.1 Implementasi Kelas Model ........................................................... 36

5.1.2 Implementasi Kelas Control ......................................................... 36

5.1.3 Implementasi Kelas View .............................................................. 37

5.2 Evaluasi Hasil ....................................................................................... 40

5.2.1 Pengujian Perangkat Lunak (Black Box) ................................... 40

5.2.2 Pengujian Perbandingan Hasil Hitung Manual dengan Hasil

Perangkat Lunak ......................................................................................... 41

5.2.3 Pengujian Perangkat Lunak dengan Menggunakan Dataset ... 46

5.3 KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK ...... 52

5.3.1 Kelebihan Perangkat Lunak ........................................................ 52


xiv

5.3.2 Kekurangan Perangkat Lunak .................................................... 53

BAB VI PENUTUP ............................................................................................. 54

6.1 Kesimpulan ........................................................................................... 54

6.2 Saran ...................................................................................................... 55

DAFTAR PUSTAKA ........................................................................................... 56

LAMPIRAN .......................................................................................................... 57


xv

DAFTAR PERSAMAAN

Persamaan 2.1 Rumus Support ............................................................................ 9

Persamaan 2.2 Rumus Confidence ...................................................................... 9

Persamaan 2.3 Rumus Lift Ratio ......................................................................... 11


xvi

DAFTAR GAMBAR

Gambar 2.1 Tahap-tahap penambangan data ...................................................... 5

Gambar 4.1 Diagram Konteks ............................................................................. 19

Gambar 4.2 Diagram Flowchart .......................................................................... 20

Gambar 4.3 Diagram Use Case ........................................................................... 21

Gambar 4.4 Ilustrasi kelas List ............................................................................ 23

Gambar 4.5 Ilustrasi Perancangan Vector ........................................................... 24

Gambar 4.6 Ilustrasi ArrayList ............................................................................ 24

Gambar 4.7 Ilustrasi Perancangan HashMap ...................................................... 25

Gambar 4.8 Diagram Kelas Analisis ................................................................... 26

Gambar 4.9 Diagram UML ................................................................................. 27

Gambar 4.10 Kelas ModelBarang ....................................................................... 28

Gambar 4.11 Kelas ModelBarangTranspose ....................................................... 28

Gambar 4.12 Kelas Kandidat............................................................................... 28

Gambar 4.13 Kelas AssociationRule ................................................................... 29

Gambar 4.14 Kelas view_ECLAT....................................................................... 29

Gambar 4.15 Kelas PanelPreprocessing .............................................................. 29

Gambar 4.16 Kelas PanelEvaluasi ...................................................................... 30

Gambar 4.17 Kelas XLSXFile............................................................................. 30

Gambar 4.18 Kelas ECLAT ................................................................................ 30

Gambar 4.19 Kelas ControlTable2 ...................................................................... 31



Gambar 4.22 Kelas SortingNamaBarang ............................................................ 31

Gambar 4.23 Perancangan Desain Halaman Utama ............................................ 32

Gambar 4.24 Perancangan Desain Panel Preprocessing .................................... 33

Gambar 4.25 Perancangan Desain Panel Evaluasi ............................................. 34

Gambar 4.26 Perancangan Halaman Bantuan ..................................................... 35

Gambar 5.1 Interface view_ECLAT ................................................................... 38

Gambar 5.2 Interface PanelPreprocessing........................................................... 38


xvii

Gambar 5.3 Interface PanelEvaluasi ................................................................... 39

Gambar 5.4 Interface bantuanDialog .................................................................. 40

Gambar 5.5 Proses Data Sampel Perhitungan Perangkat Lunak ......................... 44

Gambar 5.6 Kombinasi Kandidat yang Memenuhi Minimum Support = 2 ......... 46

Gambar 5.7 Tampilan Aturan Asosiasi dengan Minimum Support = 2 .............. 47

Gambar 5.8 Kombinasi Kandidat yang Memenuhi Minimum Support = 3 ......... 51

Gambar 5.9 Tampilan Aturan Asosiasi dengan Minimum Support = 3 .............. 52


xviii

DAFTAR TABEL

Tabel 2.1 Vertical Data Format of The Transaction Data ................................... 10

Tabel 2.2 2-Itemsets in Vertical Data Format of The Transaction Data ............. 10

Tabel 2.3 3-Itemsets in Vertical Data Format of The Transaction Data ............. 11

Tabel 4.1 Atribut data asli Margin Penjualan Toko Grosir Pancaran Bahagia .... 17

Tabel 4.2 Atribut terseleksi data dari Margin Penjualan Toko Grosir Pancaran

Bahagia .................................................................................................................. 18

Tabel 4.3 Atribut yang dihasilkan dari proses Transformasi Data ....................... 18

Tabel 4.4 Gambaran Umum Use Case ................................................................. 22

Tabel 5.1 Implementasi kelas model .................................................................... 36

Tabel 5.2 Implementasi kelas control .................................................................. 37

Tabel 5.3 Implementasi kelas view ....................................................................... 37

Tabel 5.4 Rencana Pengujian Black Box .............................................................. 40

Tabel 5.5 Dataset Pengujian ................................................................................. 42

Tabel 5.6 Transformasi Menjadi Vertical Data Format ...................................... 42

Tabel 5.7 Vertical Data Format untuk 1-Itemset ................................................. 43

Tabel 5.8 Vertical Data Format untuk 2-Itemset ................................................. 43

Tabel 5.9 Hasil Aturan Asosiasi Dataset Pengujian ............................................. 45

Tabel 5.10 Daftar Aturan Asosiasi dengan Minimum Support = 2 ...................... 47

Tabel 5.11 Daftar Aturan Asosiasi dengan Minimum Support = 3 ...................... 52


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pada era globalisasi ini kita mengetahui bahwa pertumbuhan bisnis

mengalami kemajuan yang sangat pesat. Hal ini selaras dengan

perkembangan teknologi informasi yang semakin hari semakin berkembang

cepat dan memberikan dampak yang nyata bagi pertumbuhan bisnis baik

dalam bidang barang maupun jasa. Kedua hal di atas mendorong persaingan

bisnis antara pelaku bisnis sehingga mau tidak mau pelaku bisnis yang

terlibat haruslah memikirkan dan membuat segala cara yang dapat digunakan

supaya usahanya terus bertahan pada ketatnya persaingan bisnis ini.

Dalam menghadapi persaingan bisnis yang cukup ketat dan yang

terpenting untuk meningkatkan pendapatan perusahaan, pimpinan maupun

manajemen dalam suatu perusahan dituntut untuk mengambil keputusan yang

tepat dalam menentukan strategi pemasaran. Untuk itu, perusahaan

membutuhkan informasi yang cukup banyak untuk dianalisis lebih lanjut

demi kemajuan perusahaannya.

Pimpinan dan manajemen perusahaan mengharapkan adanya

teknologi yang dapat membantu perusahaan untuk mengambil keputusan

yang strategis dan tepat demi meningkatkan penjualan mereka. Penerapan

konsep penambangan data atau yang biasa disebut dengan data mining dapat

membantu perusahaan untuk mengetahui dan memprediksi produk sesuai

dengan pola pembelian konsumen. Hal ini dapat dilakukan dengan

menganalisis data transaksi penjualan

Data mining adalah suatu teknik yang digunakan dalam bidang teknik

informatika untuk membantu penggunanya mengetahui sebuah informasi atau

pengetahuan baru (knowledge) bersumber dari data transaksi yang dimiliki

dan diolah oleh perusahaan. Lewat pengetahuan baru yang didapat,

memungkinkan


2

perusahaan untuk meningkatkan penjualan serta pendapatannya yang akan

berguna untuk kestabilan perusahaan di kemudian harinya.

Menurut Arincy (2014) dalam penelitian berjudul “Multidimensional

Association Rules Mining untuk Data Kebakaran Hutan Menggunakan

Algoritme FP-Growth dan ECLAT”, dinyatakan bahwa dari hasil pengujian

algoritma Apriori, FP-Growth, dan ECLAT pada penelitian ini dihasilkan

aturan asosiasi yang sama, baik jumlah frequent itemset-nya maupun jumlah

aturan asosiasi yang dihasilkan. Walaupun proses membangkitkan frequent

itemset ketiga algoritma ini berbeda, jumlah frequent itemset yang dihasilkan

tetap sama. Hal tersebut disebabkan karena jumlah transaksi yang diproses

belum terlalu banyak.

Menurut Samodra (2015) dalam penelitian berjudul “Implementasi

Algoritma ECLAT untuk Frequent Pattern Mining pada Penjualan Barang”,

disimpulkan bahwa hasil perbandingan pola penjualan pada tahun 2011 dan

2012 memiliki nilai yang relatif sama pada nilai support dan nilai lift-nya.

Algoritma ECLAT ini mampu melakukan proses analisa data dengan waktu

relatif singkat (2304 transaksi dalam waktu 61ms dan 1984 transaksi dalam

waktu 19ms pada minimum support 10%).

Atas dasar uraian di atas, penulis berkeinginan menganalisis dan

membantu Toko Grosir Pancaran Bahagia dengan memanfaatkan data

transaksi penjualan barang yang dituangkan ke dalam bentuk skripsi yang

berjudul “Analisis Asosiasi Menggunakan Algoritma ECLAT Pada Toko

Grosir Pancaran Bahagia”.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, rumusan masalah yang dapat

diambil adalah sebagai berikut:

1. Bagaimana cara menerapkan metode asosiasi dengan algoritma

ECLAT dalam menganalisa data keranjang belanja di Toko Grosir

Pancaran Bahagia?


3

2. Berapa lift ratio dan confidence aturan-aturan asosiasi yang

dihasilkan dari analisa data keranjang belanja menggunakan

algoritma ECLAT pada Toko Grosir Pancaran Bahagia?

1.3 Tujuan Penelitian

a. Mengetahui hasil analisa data keranjang belanja pada Toko Grosir

Pancaran Bahagia dengan menggunakan algoritma ECLAT.

b. Menguji validasi algoritma ECLAT dalam menganalisa data

keranjang belanja pada Toko Grosir Pancaran Bahagia.

1.4 Batasan Masalah

Masalah yang dibahas dalam penelitian ini adalah pemanfaatan data

transaksi penjualan barang yang mencakup barang kebutuhan pokok dan

barang konsumsi pada bulan Februari tahun 2017.

1.5 Manfaat Penelitian

Manfaat yang didapat dari penelitian ini adalah:

1. Memberikan gambaran implementasi algoritma Equivalence

Class Transformation (ECLAT) dalam analisis keranjang belanja

yang ada di sebuah toko grosir berdasarkan transaksi penjualan.

2. Memberikan referensi bagi penelitian yang berkaitan dengan

analisis keranjang belanja.

1.6 Sistematika Penulisan

BAB I PENDAHULUAN

Pendahuluan berisi tentang latar belakang, rumusan masalah, tujuan

penelitian, batasan masalah, manfaat penelitian, dan sistematika penulisan

tugas akhir.


4

BAB II LANDASAN TEORI

Landasan teori berisi tentang teori yang terkait dengan perancangan

dan pembuatan sistem.

BAB III METODOLOGI PENELITIAN

Metodologi penelitian ini berisi penjelasan gambaran umum

penelitian, data, spesifikasi alat, dan tahap-tahap penelitian.

BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT

LUNAK

Pemrosesan awal dan perancangan perangkat lunak ini berisi

pemrosesan awal dalam proses Knowledge Discovery in Database (KDD)

yaitu pembersihan data, integrasi data, seleksi data, dan transformasi data.

Pada bab ini juga berisi perancangan perangkat lunak yang terdiri dari

perancangan umum, use case, diagram kelas, algoritma, struktur data, dan

perancangan antarmuka.

BAB V IMPLEMENTASI DAN EVALUASI HASIL

Implementasi dan evaluasi hasil ini berisi implementasi rancangan

perangkat lunak dan evaluasi hasil yang terdiri dari pengujian perangkat

lunak, pengujian perbandingan perhitungan manual dengan hasil sistem,

pengujian sistem dan evaluasi hasil pola asosiasi yang dihasilkan.

BAB VI PENUTUP

Penutup berisi tentang simpulan umum yang diperoleh dari pembuatan

sistem serta rancangan pengembangan sistem ke depan.

LAMPIRAN


5

BAB II

LANDASAN TEORI

2.1 Pengertian Data Mining

Data mining adalah proses yang menggunakan teknik statistik,

matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi

dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang

terkait dari berbagai basis data besar (Turban, dkk.2005:3).

Menurut Fayyad (2006), Istilah data mining atau knowledge discovery

in databases (KDD) sering kali digunakan secara bergantian untuk

menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data

yang besar. Sebenarnya semua istilah tersebut memiliki konsep yang berbeda,

tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan

proses KDD adalah data mining. Proses KDD secara garis besar dapat

dijelaskan sebagai berikut (Kusrini & Luthfi, 2009).

Gambar 2.1. Tahap-tahap penambangan data (Han dkk, 2006)


6

1. Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu

dilakukan sebelum tahap penggalian informasi dalam KDD

dimulai. Data hasil seleksi yang akan digunakan untuk proses

data mining, disimpan dalam suatu berkas, terpisah dari basis data

operasional.

2. Pre-processing/Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan

proses cleaning pada data yang menjadi fokus KDD. Proses

cleaning mencakup antara lain membuang duplikasi data,

memeriksa data yang inkonsisten, dan memperbaiki kesalahan

pada data, seperti kesalahan cetak (tipografi). Juga dilakukan

proses enrichment, yaitu proses “memperkaya” data yang sudah

ada dengan data atau informasi lain yang relevan dan diperlukan

KDD, seperti data atau informasi eksternal.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih,

sehingga data tersebut sesuai untuk proses data mining. Proses

coding dalam KDD merupakan proses kreatif dan sangat

tergantung pada jenis atau pola informasi yang akan dicari dalam

basis data.

4. Data Mining

Data mining adalah proses mencari pola atau informasi menarik

dalam data terpilih dengan menggunakan teknik atau metode

tertentu. Teknik, metode, atau algoritma yang tepat sangat

bergantung pada tujuan dan proses KDD secara keseluruhan.

5. Interpretation/Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu

ditampilkan dalam bentuk yang mudah dimengerti oleh pihak

yang berkepentingan. Tahap ini merupakan proses dari KDD

yang disebut interpretation. Tahap ini mencakup pemeriksaan


7

apakah pola atau informasi yang ditemukan bertentangan dengan

fakta atau hipotesis yang ada sebelumnya.

2.2 Pengelompokan Data Mining

Menurut Larose (2005) dan Han (2012), Data mining dibagi menjadi

beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu:

1. Deskripsi

Deskripsi adalah cara untuk menggambarkan suatu pola atau

kecenderungan yang terkandung di dalam data yang

memungkinkan untuk memberikan penjelasan lebih dalam untuk

suatu pola atau kecenderungan tersebut.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, namun estimasi

memiliki karakteristik yang lebih dalam ke arah numerik daripada

ke arah kategori. Model dibangun dengan menggunakan record

lengkap yang menyediakan nilai variabel target sebagai nilai

prediksi.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, akan tetapi

nilai dari hasil prediksi akan ada di masa yang akan datang.

4. Klasifikasi

Klasifikasi adalah proses menemukan model yang

menggambarkan atau membedakan suatu kelas data dengan

tujuan untuk memprediksi kelas untuk data yang tidak memiliki

kelas.

5. Pengklusteran

Pengklusteran merupakan pengelompokan record, pengamatan,

atau memperhatikan dan membentuk kelas objek-objek yang

memiliki kemiripan. Kluster adalah kumpulan record yang

memiliki kemiripan satu dengan yang lainnya tetapi tidak

memiliki kemiripan dengan record di kluster lain. Pengklusteran


8

hampir sama dengan klasifikasi, namun pengklusteran lebih

memperhatikan pada variabel target yang dituju.

6. Asosiasi

Asosiasi dalam data mining adalah menemukan atribut yang

muncul dalam suatu waktu tertentu. Dalam dunia bisnis biasa

disebut market basket analysis atau analisis keranjang belanja.

7. Outlier

Deteksi outlier (juga dikenal sebagai deteksi anomali) adalah

proses mencari data benda-benda dengan perilaku yang sangat

berbeda dari harapan. Objek semacam itu disebut outlier atau

anomali. Deteksi outlier penting dalam banyak aplikasi di

samping untuk deteksi penipuan seperti perawatan medis,

keselamatan dan keamanan publik, kerusakan industri deteksi,

pemrosesan gambar, pengawasan jaringan sensor/video, dan

deteksi intrusi.

2.3 Definisi Association Rule

Menurut (Kusrini & Luthfi, 2009:149) dalam bukunya menjelaskan

bahwa “Analisis asosiasi atau yang biasa dikenal dengan association rule

adalah teknik data mining yang digunakan untuk menemukan aturan asosiatif

atau hubungan antara suatu kombinasi item. Contoh aturan asosiatif dari

analisis pembelian di suatu toko grosir adalah mengetahui seberapa besar

kemungkinan seorang pelanggan membeli roti bersamaan dengan mentega.

Dengan informasi serta pengetahuan tersebut, pihak toko dapat mengatur

penempatan barangnya atau merancang strategi pemasaran dengan

menggunakan kupon diskon atau strategi yang lain untuk kombinasi barang

tertentu.”

Menurut Han (2012: 245-246), dua rule yang membuat suatu aturan

asosiasi menarik adalah support dan confidence. Masing-masing dari mereka

mencerminkan kegunaan dan kepastian aturan asosiasi yang ditemukan.

Biasanya, aturan asosiasi dianggap menarik apabila memenuhi batas


9

minimum support dan minimum confidence. Batas minimum dapat ditetapkan

oleh pengguna sendiri atau ahli domain. Berikut adalah cara untuk

menghitung support dan confidence.

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴 => 𝐵) = 𝑃(𝐴 ∪ 𝐵) ......................................................................... (2.1)

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴 => 𝐵) = 𝑃(𝐵|𝐴) =𝑠𝑢𝑝𝑝𝑜𝑟𝑡(𝐴∪𝐵)

𝑠𝑢𝑝𝑝𝑜𝑟𝑡𝐴 ................................................ (2.2)

Aturan yang memenuhi kedua minimum support dan minimum

confidence dinyatakan sebagai aturan kuat. Umumnya, penentuan aturan

asosiasi dapat dilihat berdasarkan 2 proses berikut:

1. Menemukan semua frequent itemsets: Setiap itemset akan

muncul seberapa sering atau seberapa banyak itemset tersebut

memenuhi minimum support yang telah ditentukan.

2. Buat aturan asosiasi yang kuat dari frequent itemset: Menurut

definisi, aturan asosiasi harus memenuhi minimum support dan

minimum confidence.

Karena langkah kedua jauh lebih beresiko daripada yang pertama,

kinerja keseluruhan pertambangan aturan asosiasi ditentukan oleh langkah

pertama atau yang tertera pada rumus 2.1.

2.4 Algoritma ECLAT

Algoritma ECLAT (Equivalence Class Transformation) digunakan

untuk melakukan itemset mining. Penambangan itemset untuk menemukan

pola yang sering terjadi pada data seperti jika konsumen membeli roti, ia juga

membeli mentega. Jenis pola ini disebut aturan asosiasi dan digunakan di

banyak domain aplikasi.

Dan Toomey (dalam Arinda, Dwi Syafina, Sulastri. 2017:3)

mengatakan bahwa, Algoritma ECLAT digunakan untuk frequent itemset

mining. Algoritma ini menggunakan persimpangan dalam data untuk

menghitung dukungan kandidat.

Menurut Samodra et al. (2015) dalam Jurnal Teknologi yang berjudul

“Implementasi Algoritma ECLAT untuk Frequent Pattern Mining pada


10

Penjualan Barang”, dijelaskan bahwa algoritma ECLAT adalah sebuah

program yang digunakan untuk menemukan itemset yang paling sering

keluar. Algoritma ini melakukan pencarian depth first pada kisi bagian dan

menentukan support dari itemset dengan cara memotong daftar transaksi.

Tabel 2.1. Vertical Data Format of The Transaction Data (Han, 2012)

Itemset TID_set

I1 {T100, T400, T500, T700, T800, T900}

I2 {T100, T200, T300, T400, T600, T800, T900}

I3 {T300, T500, T600, T700, T800, T900}

I4 {T200, T400}

I5 {T100, T800}

Tabel 2.1. di atas menampilkan dataset dalam bentuk vertical data

format untuk setiap 1 itemset yang berarti, tabel ini menampilkan transaksi

pada setiap item.

Tabel 2.2. 2-Itemsets in Vertical Data Format of The Transaction Data (Han, 2012)

Itemset TID_set

I1, I2 {T100, T400, T800, T900}

I1, I3 {T500, T700, T800, T900}

I1, I4 {T400}

I1, I5 {T100, T800}

I2, I3 {T300, T600, T800, T900}

I2, I4 {T200, T400}

I2, I5 {T100, T800}

I3, I5 {T800}



pada setiap 2 kombinasi item.


11

Tabel 2.3. 3-Itemsets in Vertical Data Format of The Transaction Data (Han,

2012)

Itemset TID_set

I1, I2, I3 {T800, T900}

I1, I2, I5 {T100, T800}



pada 3 setiap kombinasi item.

Terdapat sebuah cara mudah untuk merepresentasikan transaksi untuk

Algoritma ECLAT yaitu dengan menggunakan matriks bit, di mana setiap

baris sesuai dengan item masing-masing kolom untuk transaksinya (ataupun

sebaliknya). Bit adalah set di dalam matriks ini jika item sesuai dengan baris

yang terkandung di dalam transaksi yang sesuai dengan kolom, selain itu

akan dihapus.

2.5 Lift Ratio

Lift Ratio adalah suatu ukuran (parameter) untuk mengetahui kekuatan

aturan asosiasi (association rule) yang telah terbentuk dari nilai support dan

confidence. Nilai lift ratio biasanya digunakan sebagai penentu apakah aturan

asosiasi valid atau tidak valid.

Nilai lift ratio antara itemset A dan itemset B dapat dihitung dengan

rumus sebagai berikut:

𝐿𝑖𝑓𝑡(𝐴, 𝐵) =𝑃(𝐴∪𝐵)

𝑃(𝐴) 𝑃(𝐵) ............................................................................................. (2.3)

Keterangan:

1. P(A): Probabilitas support dari barang A.

2. P(A ∪ B): Probabilitas gabungan support A dan support B.

Jika hasil dari perhitungan lift ratio < 1, maka itemset A dan itemset B

memiliki korelasi yang negatif atau dengan kata lain, jika konsumen membeli

barang A maka ia tidak akan membeli barang B. Jika lift ratio > 1, maka


12

itemset A dan itemset B memiliki korelasi positif yang berarti, jika konsumen

membeli barang A maka ia juga akan membeli barang B. Namun, jika lift

ratio = 1, maka itemset A dan itemset B independen satu sama lain yang

berarti jika konsumen membeli barang A maka ia belum tentu membeli

barang B.


13

BAB III

METODOLOGI PENELITIAN

3.1 Sumber Data

Data yang digunakan untuk penelitian ini berupa i berkekstensi .xlsx

yang diperoleh dari Toko Grosir Pancaran Bahagia Lawang sendiri.

Data sumber merupakan data transaksi penjualan pada bulan Februari

di tahun 2017. Pada penelitian ini data akan dilakukan preprocessing dengan

memodifikasi bentuk data menjadi vertical data format sehingga data dapat

diolah dengan menggunakan algoritma ECLAT secara manual melalui

software Microsoft Excel.

3.2 Spesifikasi Alat

3.3.1 Hardware

Perangkat keras yang digunakan untuk membuat sistem ini

adalah Laptop dengan spesifikasi processor Intel Core i5 8th Gen,

RAM 4GB, HDD 1TB.

3.3.2 Software

Perangkat lunak yang digunakan dalam pembuatan sistem ini

adalah Sistem Operasi Windows 10 Professional 64-bit, JDK 1.8,

dan Netbeans 8.2.

3.3 Tahap-tahap Penelitian

3.3.1 Studi Kasus

Penelitian ini bertujuan untuk menganalisa data keranjang

belanja pada Toko Grosir Pancaran Bahagia. Data transaksi

penjualan akan dianalisa dengan algoritma ECLAT untuk

memperoleh aturan asosiasi antar produk yang sering dibeli oleh


14

konsumen sehingga perusahaan dapat menentukan strategi

penjualan baru guna meningkatkan pendapatan.

3.3.2 Penelitian Pustaka

Penulis melakukan penelitian ini dengan mencari literatur-

literatur sebagai pustaka atau referensi yang berfungsi untuk

mengetahui dan memperkuat teori-teori yang berkaitan dengan

penelitian ini. Literatur-literatur yang digunakan berasal dari buku,

jurnal penelitian, dan karya ilmiah.

3.3.3 Knowledge Discovery in Database (KDD)

Penulis melakukan penelitian ini bertujuan untuk mengubah

data transaksi penjualan mentah yang memiliki ekstensi file (.xlsx)

menjadi sebuah informasi yang bermanfaat untuk berbagai pihak

terutama pihak perusahaan. Dalam penelitian ini penulis

menggunakan proses Knowledge Discovery in Database (KDD) di

mana proses KDD tersebut terdiri dari seleksi data, pembersihan

data, transformasi data, penambangan data, analisis pola, dan

presentasi pengetahuan. (Han dkk, 2006).

Pada penelitian ini, penulis melakukan, pembersihan data

dan integrasi secara manual dengan menggunakan aplikasi Ms.

Excel. Tahap selanjutnya, yaitu seleksi data, transformasi data, dan

penambangan data dilakukan di dalam sistem perangkat lunak yang

dikembangkan oleh penulis sendiri untuk membantu penyelesaian

tahap-tahap di atas tersebut. Tahap selanjutnya yaitu tahap analisis

pola dan tahap presentasi pengetahuan, penulis menganalisis aturan

asosiasi data keranjang belanja dari sistem perangkat lunak yang

telah dibangun dan menjelaskan hasil analisis agar informasi yang

diperoleh dapat bermanfaat bagi pihak-pihak yang membutuhkan.


15

3.3.4 Pengembangan Perangkat Lunak

Metode yang digunakan penulis dalam mengembangkan

sistem penambangan data ini adalah metode waterfall. Waterfall

adalah sebuah model pengembangan sistem perangkat lunak yang

dilakukan secara berurutan, di mana satu tahap akan dilakukan

setelah tahap sebelumnya selesai dikerjakan. Metode ini adalah

metode paling umum digunakan oleh para pengembang perangkat

lunak.

Langkah-langkah metode waterfall dijelaskan sebagai

berikut:

1. Analisis

Langkah ini adalah langkah untuk menganalisis

semua kebutuhan sistem yang akan dibangun.

2. Desain

Langkah ini merupakan langkah untuk merancang

sebuah perangkat lunak sesuai dengan kebutuhan dari

sistem yang telah dianalisis pada tahap sebelumnya. Pada

langkah ini akan dilakukan perancangan basis data,

diagram kelas, GUI, serta algoritma yang akan

digunakan pada sistem ini.

3. Implementasi

Implementasi merupakan tahap penerapan yang

dilakukan dari desain yang telah dirancang ke dalam

Bahasa pemrograman yang nantinya akan menghasilkan

sebuah perangkat lunak.

4. Pengujian Perangkat Lunak

Langkah terakhir adalah pengujian perangkat lunak.

Perangkat lunak yang telah selesai dibuat diuji dengan

membandingkan hasil perhitungan manual dengan sistem

perangkat lunak yang telah dibuat.


16

BAB IV

PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK

4.1 Pemrosesan Awal

4.1.1 Pembersihan Data (Data Cleaning)

Pembersihan data adalah proses untuk membersihkan data dari

data-data yang bersifat noise atau data yang tidak konsisten. Data yang

memiliki noise di sini adalah data nama barang yang nilainya kosong

maka dari itu, data tersebut akan dihapus dan tidak digunakan untuk

proses penelitian.

4.1.2 Seleksi Data (Data Selection)

Tahap seleksi data perlu dilakukan sebelum proses

penambangan data dijalankan. Pada data penjualan di toko grosir ini,

atribut tetap yang digunakan dalam penelitian ini adalah Nama Barang,

No. Struk dan Tanggal Transaksi yang tertera pada Tabel 4.1 dan Tabel

4.2. Atribut yang dibuang adalah Kode Barang, Satuan, HPP, Harga

Jual, Jumlah, Keuntungan dan Margin.


17

% M

arg

in

20,4

1

72%

108%

36%

2%

2%

Keu

ntu

ngan

3

900

1.3

5

450

2

2

Ju

mla

h

2

2

3

1

1

1

Harg

a

Ju

al

16.2

1.7

1.7

1.7

22

22

HP

P

14.7

1.2

5

1.2

5

1.2

5

20

20

Tan

ggal

Tra

nsa

ksi

1-M

ar-1

7

4-M

ar-1

7

24

-Mar

-17

25

-Mar

-17

18

-Mar

-17

12

-Mar

-17

No S

tru

k

PJ0

0011793

PJ0

0011793

PJ0

0011793

PJ0

0011793

PJ0

0011793

PJ0

0011793

Satu

an

0.5

KG

PC

S

PC

S

PC

S

PC

S

PC

S

Nam

a

Bara

ng

TE

LU

R

PA

SE

O

SM

AR

T 5

0'S

2 P

LY

P

AS

EO

SM

AR

T 5

0'S

2 P

LY

P

AS

EO

SM

AR

T 5

0'S

2 P

LY

A

GR

O S

AR

I

AL

L

VA

RIA

N

32X

120 M

L

AG

RO

SA

RI

AL

L

VA

RIA

N

32X

120 M

L

Kod

e

Bara

ng

0000000055

0000000002

0000000002

0000000002

0000000004

0000000004

No

1

2

3

4

5

6

Tab

el 4

.1.

Atr

ibut

dat

a as

li M

argin

Pen

jual

an T

ok

o G

rosi

r P

anca

ran B

ahag

ia


18

Tabel 4.2. Atribut terseleksi data dari Margin Penjualan Toko Grosir Pancaran

Bahagia

No. Nama Barang No. Struk Tanggal Transaksi

1 TELUR PJ00011793 01 Mar 2017

2 PASEO SMART 50'S 2

PLY PJ00011979 04 Mar 2017


PLY PJ00013056 24 Mar 2017


PLY PJ00012667 24 Mar 2017

5 AGRO SARI ALL

VARIAN 32X120 ML PJ00013056 18 Mar 2017

6 AGRO SARI ALL

VARIAN 32X120 ML PJ00012667 12 Mar 2017

4.1.3 Transformasi Data (Data Transformation)

Proses transformasi data dilakukan pada data yang telah

terseleksi sebelumnya untuk dilanjutkan ke proses penambangan data.

Pada tahap ini dilakukan transformasi data dengan mengambil data

yang telah diseleksi untuk menentukan kandidat barang atau yang biasa

disebut dengan aturan asosiasi (association rule) dan ditampilkan dalam

bentuk yang ada pada tabel 4.3.

Tabel 4.3. Atribut yang dihasilkan dari proses Transformasi Data

No. Nama Barang No. Struk

1 TELUR PJ00011793


PLY PJ00011979, PJ00013056, PJ00012667

3 AGRO SARI ALL

VARIAN 32X120 ML PJ00013056, PJ00012667


19

4.1 Perancangan Perangkat Lunak

4.2.1 Perancangan Umum

4.2.1.1 Input Sistem

Analisis keranjang belanja dengan menggunakan algoritma

ECLAT dapat menerima masukan file bertipe .xlsx yang dapat

dicari dan dipilih secara langsung oleh pengguna dari direktori

penyimpanan yang tersedia di komputer. Sebelum melakukan

proses analisis dan evaluasi rule asosiasi, pengguna juga harus

melakukan seleksi atribut data yang telah disediakan oleh sistem

dan juga tanggal transaksi yang juga termasuk dalam bagian seleksi

atribut dan dapat dipilih sesuai keinginan pengguna serta mengisi

nilai minimum support pada textfield yang telah disediakan.

Perancangan input sistem secara umum digambarkan pada gambar

4.1.

Gambar 4.1. Diagram Konteks

4.2.1.2 Proses Sistem

Proses yang dilakukan oleh sistem yang akan dibangun

terdiri dari beberapa tahapan untuk mendapatkan aturan asosiasi

yang diharapkan. Tahapan-tahapan tersebut yaitu:

1. Pemilihan atribut yang disediakan oleh sistem dan juga

tanggal transaksi yang akan digunakan untuk

pemrosesan asosiasi.

2. Menentukan minimum support


20

3. Proses pengolahan data untuk menentukan kandidat

barang yang termasuk dalam minimum support yang

telah ditentukan sebelumnya.

4. Menentukan nilai confidence dengan memasukkan

minimum confidence.

5. Proses perhitungan confidence dan lift ratio dari

beberapa barang yang telah menjadi kandidat untuk

dievaluasi menjadi sebuah informasi.

Proses umum yang terjadi pada sistem digambarkan dalam

diagram flowchart yang digambarkan pada gambar 4.2.

Gambar 4.2. Diagram Flowchart


21

4.2.1.3 Output Sistem

Sistem ini memberikan keluaran berupa aturan asosiasi

antara barang satu dengan barang lainnya beserta nilai lift ratio dan

confidence-nya sesuai dengan minimum support yang telah

ditentukan sebelumnya. Keluaran tersebut ditampilkan dalam

bentuk textarea dan dapat dieksport ke dalam file bertipe excel

dengan ekstensi .xlsx.

4.2.2 Desain Use Case

Gambar 4.3. Diagram Use Case

Diagram di Use Case adalah diagram yang biasa digunakan

untuk menggambarkan interaksi antara pengguna dengan sistem.

Pengguna dari sistem yang akan dibangun ini hanya ada satu

pengguna. Fungsi yang dapat dilakukan oleh pengguna sistem ini

adalah pengguna dapat memasukkan data bertipe excel file dengan

ekstensi .xlsx. Fungsi selanjutnya adalah pengguna dapat

melakukan seleksi atribut yang akan digunakan pada proses


22

selanjutnya dan kemudian melakukan proses perhitungan dengan

algoritma ECLAT yang dilakukan oleh sistem dengan memasukkan

minimum support dan minimum confidence. Fungsi yang terakhir

adalah pengguna dapat menyimpan hasil aturan asosiasi.

4.2.3 Gambaran Umum Use Case

Diagram use case pada Gambar 4.3 memilik igambaran

umum dari masing-masing use case. Gambaran dari masing-masing

use case tersebut dijelaskan pada tabel 4.3 di bawah ini.

Tabel 4.4. Gambaran Umum Use Case

No. Use Case Deskripsi Aktor

1. Input file .xlsx

Proses memilih dan memasukkan

file berekstensi .xlsx yang akan

digunakan sebagai model untuk

diproses ke proses selanjutnya.

Pengguna

2. Proses ECLAT

Proses melakukan analisis asosasi

keranjang belanja dengan

menggunakan algoritma ECLAT

berdasarkan data per bulan yang

telah dipilih.

Pengguna

3. Export hasil analisis

asosiasi

Proses export atau menyimpan hasil

analisis asosiasi ke dalam file excel

bertipe .xlsx

Pengguna

4.2.4 Narasi Use Case

Diagram Use Case pada gambar 4.3 memiliki narasi yang

bisa disebut sebagai penjelasan lengkap dari masing-masing use

case yang terlampir pada lampiran 1.

4.2.5 Desain Struktur Data

Sistem analisis asosiasi ini tidak membutuhkan tempat

penyimpanan yang terlalu banyak dan tidak menghabiskan banyak

waktu. Konsep penyimpanan yang sesuai dengan sistem ini adalah


23

dengan menggunakan konsep struktur data. Pada penelitian ini,

konsep struktur data yang digunakan adalah List, ArrayList dan

HashMap. Masing-masing konsep struktur data tersebut akan

dijelaskan sebagai berikut:

1. List

List adalah suatu kelas interface dan merupakan

salah satu turunan atau child dari kelas interface

Collection. Kelas list ini digunakan untuk penyimpanan

dalam jumlah yang besar dan kelas tersebut

diimplementasikan oleh beberapa kelas seperti Vector

dan ArrayList.

Gambar 4.4. Ilustrasi kelas List

2. Vector

Vector adalah kelas implementasi dari kelas List

yang memiliki fungsi hampir sama dengan ArrayList,

namun kelas Vector lebih tersinkronasi daripada kelas

ArrayList.

Pada penelitian ini, kelas Vector hanya digunakan

pada saat membaca file bertipe .xlsx sebelum disimpan

menggunakan ArrayList.


24

Gambar 4.5. Ilustrasi Perancangan Vector

3. ArrayList

ArrayList adalah suatu tempat penyimpanan

sementara yang bersifat dinamis sehingga ukuran

penyimpanan dapat menyesuaikan data yang disimpan

dan ukuran penyimpanan tidak perlu disediakan terlebih

dahulu seperti halnya Array biasa. Elemen-elemen yang

disimpan di dalam ArrayList dapat diakses langsung

dengan memanggil method get() dan set() yang tersedia.

Pada penelitian ini, penulis menggunakan

ArrayList untuk menyimpan data input dari file bertipe

.xlsx dan menyimpan daftar kandidat aturan asosiasi.

Gambar 4.6. Ilustrasi ArrayList


25

4. HashMap

HashMap adalah metode penyimpanan sementara

yang menjadi implementasi dari kelas interface Map

yang tersedia di Java. Metode ini digunakan untuk

menyimpan data dengan format key dan value di mana

sebuah key adalah nama barang dan value adalah nomor

transaksi dari.

Pada penelitian ini, penulis menggunakan

HashMap untuk mentransformasikan bentuk data ke

dalam vertical data format sesuai bentuk data yang

dibutuhkan untuk diproses dalam algoritma ECLAT.

Gambar 4.7 Ilustrasi Perancangan HashMap


26

4.2.6 Diagram Kelas Analisis

Gambar 4.8. Diagram Kelas Analisis


27

4.2.7 Diagram UML

Ga

mb

ar

4.9

. D

iagra

m U

ML


28

4.2.8 Detail Diagram UML

b. Package model

Gambar 4.10. Kelas ModelBarang

Gambar 4.11. Kelas ModelBarangTranspose

Gambar 4.12. Kelas Kandidat


29

Gambar 4.13. Kelas AssociationRule

c. Package view

Gambar 4.14. Kelas view_ECLAT

Gambar 4.15. Kelas PanelPreprocessing


30

Gambar 4.16. Kelas PanelEvaluasi

d. Package controller

Gambar 4.17. Kelas XLSXFile

Gambar 4.18. Kelas ECLAT


31

Gambar 4.19. Kelas ControlTable2



Gambar 4.22. Kelas SortingNamaBarang


32

4.2.9 Perancangan Antarmuka/Graphic User Interface (GUI)

Gambar 4.23. Perancangan Desain Halaman Utama

Pada perancangan halaman utama terdapat “Panel Preprocessing” dan

“Panel Evaluasi” untuk melakukan proses algoritma. Pada halaman ini

juga terdapat tombol “Bantuan” yang jika ditekan akan memunculkan

halaman bantuan berupa “JDialog”.


33

Gambar 4.24. Perancangan Desain Panel Preprocessing

Pada panel sebelah kiri atau “Panel Preprocessing” terdapat tombol

“Browse” yang jika ditekan maka akan mengarahkan pengguna ke

direktori komputer untuk mencari file dengan ekstensi .xlsx. Jika file

tersebut dibuka, isi file tersebut akan tampil pada tabel “Data Excel”. Lalu

ada tombol “Seleksi Data” jika ditekan maka akan menampilkan data

Nama Barang, No. Struk dan Tanggal Transaksi pada tabel Data Hasil

Seleksi. Di bagian paling bawah terdapat “Radio Button” yang terdiri dari

Semua Data, Awal Bulan, Tengah Bulan dan Akhir Bulan. “Button” yang

dipilih akan menampilkan data sesuai dengan format tanggal pada setiap

button.


34

Gambar 4.25. Perancangan Desain Panel Evaluasi

Setelah melakukan proses seleksi pada “Panel Preprocessing”, pengguna

memasukkan nilai minimum support pada textfield yang telah disediakan

di Panel Evaluasi dan setelah itu tombol Proses Data dapat ditekan.

Setelah tombol ditekan maka sistem akan melakukan proses menemukan

frequent itemset dan akan ditampilkan pada tabel dengan format

Kombinasi Kandidat dan Frekuensi. Setelah itu pengguna dapat

memasukkan minimum confidence yang tersedia pada texfield. Lalu

pengguna dapat menekan tombol “Evaluasi Aturan”. Saat tombol

“Evaluasi Aturan” ditekan maka akan memunculkan data yang telah

menjadi hasil dengan ditampilkan pada tabel dengan format Aturan

Asosiasi, Frekuensi(Support), Confidence A => B dan Lift Ratio. Terakhir

terdapat tombol “Export Excel” yang berfungsi untuk menyimpan data

aturan asosiasi menjadi file dengan ekstensi .xlsx.


35

Gambar 4.26. Perancangan Halaman Bantuan

Pada view_ECLAT terdapat tombol “BANTUAN” yang jika ditekan akan

memunculkan JDialog yang berisikan bantuan atau langkah-langkah untuk

mengoperasikan sistem aplikasi ini.

4.2.10 Algoritma per Method

Rincian Algoritma per Method terlampir pada lampiran 2.


36

BAB V

IMPLEMENTASI DAN EVALUASI HASIL

5.1 Implementasi Rancangan Perangkat Lunak

Perangkat lunak asosiasi data transaksi belanja ini memiliki 14 kelas

yang terdiri dari 4 kelas model, 7 kelas control dan 3 kelas view. Pada

perangkat lunak ini terdapat 1 dialog yang menjadi bagian dari kelas view.

5.1.1 Implementasi Kelas Model

Berikut adalah tabel yang berisikan daftar kelas yang ada di

dalam package model. Pada tabel tersebut disertakan pula nama file

fisik dan file executable.

Tabel 5.1 Implementasi kelas model

No. Nama Kelas Nama File Fisik Nama File Executable

1. ModelBarang ModelBarang.java ModelBarang.class

2. ModelBarangTranspose ModelBarangTranspose.java ModelBarangTranspose.class

3. Kandidat Kandidat.java Kandidat.class

4. AssociationRule AssociationRule.java AssociationRule.class

5.1.2 Implementasi Kelas Control


dalam package control. Pada tabel tersebut disertakan pula nama

file fisik dan file executable.


37

Tabel 5.2 Implementasi kelas control

No. Nama Kelas Nama File Fisik Nama File Executable

1. XLSXFile XLSXFile,java XLSXFile.class

2. ControlTable2 ControlTable2.java ControlTable2.class



5. showDataTable2 showDataTable2.java showDataTable2.class

6. ECLAT ECLAT.java ECLAT.class

7. SortingNamaBarang SortingNamaBarang.java SortingNamaBarang.class

5.1.3 Implementasi Kelas View


dalam package model. Pada tabel tersebut disertakan pula nama file

fisik dan file executable.

Tabel 5.3 Implementasi kelas view

No. Nama Kelas Nama File Fisik Nama File Executable Interface

1. view_ECLAT view_ECLAT.java view_ECLAT.class Gambar 5.1

2. PanelPreprocessing PanelPreprocessing.java PanelPreprocessing.class Gambar 5.2

3. PanelEvaluasi PanelEvaluasi.java PanelEvaluasi.class Gambar 5.3

4. bantuanDialog bantuanDialog.java bantuanDialog.class Gambar 5.4


38

Gambar 5.1. Interface view_ECLAT

Gambar 5.2. Interface PanelPreprocessing


39

Gambar 5.3. Interface PanelEvaluasi


40

Gambar 5.4. Interface bantuanDialog

5.2 Evaluasi Hasil

5.2.1 Pengujian Perangkat Lunak (Black Box)

5.2.1.1 Rencana Pengujian Black Box

Rencana pengujian menggunakan black box akan

dijelaskan pada tabel berikut.

Tabel 5.4. Rencana Pengujian Black Box

No. Use Case Butir Uji Kasus Uji

1. Input file .xlsx

Pengujian memasukkan

data file bertipe .xlsx.

PUJ-01

Pengujian memasukkan

data file bertipe selain

.xlsx.

PUJ-02


41

2.

Proses ECLAT

Seleksi per tanggal

sekaligus melakukan

proses analisis asosiasi.

PUJ-03

3. Export hasil analisis

asosiasi

Pengujian penyimpanan

hasil analisis asosiasi ke

dalam file bertipe .xlsx.

PUJ-04

5.2.1.2 Prosedur Pengujian Black Box dan Kasus Uji

Setelah menyusun rencana pengujian pada tabel 5.4,

maka akan dilakukan prosedur pengujian serta kasus uji pada

Lampiran 3.

5.2.1.3 Evaluasi Hasil Pengujian Black Box

Hasil pengujian black box pada Lampiran 3

menunjukkan bahwa implementasi dari perangkat lunak yang

telah dibuat dapat berjalan dengan baik sesuai perancangan

kasus uji yang juga telah dibuat. Hal ini dapat dilihat dari

semua fungsi yang sudah dapat berjalan sesuai yang

diharapkan.

5.2.2 Pengujian Perbandingan Hasil Hitung Manual dengan Hasil

Perangkat Lunak

Salah satu cara yang dilakukan oleh peneliti untuk menguji

kevalidan dari alat uji yang dibuat, peneliti melakukan perbandingan

hasil antara perhitungan manual dengan alat uji yang telah dibuat.

Pengujian ini menggunakan dataset transaksi penjualan sebanyak 17

record data pada bulan September 2018 dengan atribut Nama Barang,

No. Struk dan Tanggal Transaksi serta minimum support = 2 dan

minimum confidence = 50%. Dataset yang digunakan untuk pengujian

dapat dilihat di tabel 5.5.


42

Tabel 5.5. Dataset Pengujian

Nama Barang No Struk Tanggal Transaksi

ENERGEN KACANG HIJAU PJ00050568 06 Sep 2018

GARAM HALUS KAPAL KECIL (1/4) 40 PJ00050568 06 Sep 2018

GULA KBA PJ00050463 05 Sep 2018

GULA KBA PJ00050552 06 Sep 2018



GULA KBA PJ00050562 06 Sep 2018


POCARI IONESSENCE 250ML PJ00049928 01 Sep 2018

POCARI IONESSENCE 250ML PJ00050568 06 Sep 2018

SUPER PELL LEMON GINGER 800 ML PJ00050568 06 Sep 2018

KECAP BANGO 400 ML PJ00050568 06 Sep 2018

SUNLIGHT LIME 100 - 455 ML PJ00050568 06 Sep 2018

PEPSODENT WHITE 190 GR PJ00050568 06 Sep 2018

ULTRA SS UHT COKLAT 125 ML PJ00050569 06 Sep 2018

AQUA GELAS 240 ML PJ00050570 07 Sep 2018

GULA KBA PJ00050526 06 Sep 2018

5.2.2.1 Perhitungan Manual

Pengujian dengan melakukan perhitungan manual

menggunakan dataset transaksi penjualan pada bulan

September 2018 serta menetapkan minimum support = 2 dan

minimum confidence = 50%. Proses perhitungan manual

dilakukan dengan menggunakan aplikasi Microsoft Excel.

Proses perhitungan manual dan hasilnya dapat dilihat pada

proses di bawah ini.

Langkah pertama yang dilakukan adalah mengubah

bentuk transaksi penjualan menjadi vertical data format

dengan mengabaikan atribut Tanggal Transaksi.

Tabel 5.6. Transformasi Menjadi Vertical Data Format

Nama Barang No Struk ENERGEN KACANG HIJAU PJ00050568 GARAM HALUS KAPAL

KECIL (1/4) 40 PJ00050568 PJ00050552 PJ00050463 PJ00049928


43

GULA KBA PJ00050463 PJ00050552 PJ00050562 PJ00050526

POCARI IONESSENCE

250ML PJ00049928 PJ00050568 SUPER PELL LEMON

GINGER 800 ML PJ00050568 KECAP BANGO 400 ML PJ00050568 SUNLIGHT LIME 100 - 455

ML PJ00050568 PEPSODENT WHITE 190 GR PJ00050568 ULTRA SS UHT COKLAT

125 ML PJ00050569 AQUA GELAS 240 ML PJ00050570

Langkah selanjutnya adalah menenentukan mencari frequent itemset yang

memenuhi minimum support.

Pada 1-itemset ditemukan 3 barang yang memenuhi minimum support seperti

yang tertera pada tabel 5.7.

Tabel 5.7. Vertical Data Format untuk 1-Itemset

Nama Barang No. Struk

GARAM HALUS KAPAL

KECIL (1/4) 40 PJ00050568 PJ00050552 PJ00050463 PJ00049928

GULA KBA PJ00050463 PJ00050552 PJ00050562 PJ00050526

POCARI IONESSENCE

250ML PJ00049928 PJ00050568

Pada 2-itemset ditemukan 2 kombinasi barang yang memenuhi minimum support

yang dapat dilihat pada tabel 5.8.

Tabel 5.8. Vertical Data Format untuk 2-Itemset

Nama Barang No. Struk

GARAM HALUS KAPAL

KECIL (1/4) 40, GULA KBA PJ00050463 PJ00050552

GARAM HALUS KAPAL

KECIL (1/4) 40, POCARI

IONESSENCE 250ML PJ00049928 PJ00050568


44

Kombinasi 2-itemset di atas menjadi kandidat yang akan dieksekusi pada proses

selanjutnya untuk menemukan aturan asosiasi. Proses selanjutnya adalah

menghitung confidence dan lift ratio dari kandidat di atas untuk menjadi aturan

asosiasi. Confidence dihitung dengan membagi jumlah support barang A dan B

dengan jumlah support dari barang A. sedangkan lift ratio dihitung dengan

membagi jumlah support barang A dan B dengan hasil perkalian dari support

barang A dikali dengan support barang B. Hasil perhitungan confidence dan lift

ratio dapat dilihat di tabel 5.9.

5.2.2.2 Perhitungan Perangkat Lunak

Pengujian dengan melakukan perhitungan perangkat

lunak menggunakan dataset transaksi penjualan pada bulan

September 2018 dengan jumlah 17 record data serta

menetapkan minimum support = 2 dan minimum confidence =

50%. Proses ini dilakukan dengan menggunakan perangkat

lunak yang telah dibuat menggunakan algoritma ECLAT.

Hasil perhitungan perangkat lunak dapat dilihat pada Gambar

5.5.

Gambar 5.5. Proses Data Sampel Perhitungan Perangkat Lunak


45

5.2.2.3 Evaluasi Pengujian Perbandingan Hitung Manual dengan

Hasil Perangkat Lunak

Pada perbandingan perhitungan manual dan perangkat

lunak dengan sampel sebanyak 17 record yang diambil dari

dataset bulan September 2018 serta minimum support = 2 dan

minimum confidence = 50% memiliki memiliki 4 aturan

asosiasi, yaitu:

Tabel 5.9. Hasil Aturan Asosiasi Dataset Pengujian

No. Nama Barang Frekuensi

(Support)

Confidence

(A=>B) Lift Ratio

1 GULA KBA => GARAM HALUS

KAPAL KECIL (1/4) 40 2 0.50 1.00

2 GARAM HALUS KAPAL KECIL

(1/4) 40 =>GULA KBA 2 0.50 1.00

3

POCARI IONESSENCE 250ML =>

GARAM HALUS KAPAL KECIL

(1/4) 40

2 1 2.00

4

GARAM HALUS KAPAL KECIL

(1/4) 40 =>POCARI IONESSENCE

250ML

2 0.50 2.00

Dapat dilihat, bahwa aturan asosiasi yang dihasilkan dari pengujian sampel di atas

ada 4 aturan asosiasi yang memenuhi minimum support dan minimum confidence.

Lift ratio dari keempat aturan asosiasi di atas adalah lebih dari 1. Sehingga dapat

disimpulkan bahwa aturan asosiasi di atas adalah jika konsumen membeli barang

Gula KBA maka konsumen akan membeli barang => Garam Halus Kapal Kecil

(1/4) 40, begitu juga sebaliknya dan juga jika konsumen membeli barang Pocari

Ionessence 250 ml maka konsumen akan membeli barang => Garam Halus Kapal

Kecil (1/4) 40, begitupun juga sebaliknya. Hal ini membuktikan bahwa terjadi

korelasi positif antara barang A dan B baik dalam perhitungan manual maupun

perhitungan sistem.

.


46

5.2.3 Pengujian Perangkat Lunak dengan Menggunakan Dataset

Pada pengujian perangkat lunak ini dilakukan dengan menguji

100 dataset transaksi penjualan terpilih pada bulan Februari tahun 2017.

100 dataset pada bulan Februari tahun 2017 diuji dengan minimum

support dan minimum confidence yang telah ditentukan adalah 5 dan

50%.

5.2.3.1 Evaluasi Aturan Asosiasi

Untuk hasil yang ditampilkan oleh peneliti

menggunakan dataset bulan Februari tahun 2017 ini hanya

menguji data sebanyak 100 record terpilih dengan minimum

support dan minimum confidence yang ditentukan di bawah

ini:

a. Minimum support = 2 dan minimum confidence = 50%

Gambar 5.6. Kombinasi Kandidat yang Memenuhi Minimum Support = 2

Berdasarkan gambar 5.6 kombinasi kandidat yang

memenuhi frequent itemset ditemukan kombinasi kandidat

yang dapat dijabarkan menjadi aturan asosiasi. Kombinasi

yang ditemukan adalah Beras Organik Cap Elang 5 kg, Telur,

Roma Kelapa 300 g, Sedap Goreng dan Roma Malkist

Crackers 250 g. Kombinasi lima barang tersebut memenuhi

minimum support yang telah ditetapkan, maka kelima barang

yang telah menjadi kombinasi kandidat itu dapat menjadi

aturan asosiasi seperti yang tertera pada gambar 5.7.


47

Gambar 5.7. Tampilan Aturan Asosiasi dengan Minimum Support = 2

Gambar aturan asosiasi di atas dijelaskan lebih lanjut

pada tabel 5.7 di bawah ini yang menunjukkan hasil analisis

asosiasi yang dihasilkan dari pengujian algoritma ECLAT

dengan menetapkan minimum support = 3 dan minimum

confidence = 50%. Dari hasil tersebut dapat dievaluasi bahwa

ditemukan 30 aturan asosiasi.

Tabel 5.10. Daftar Aturan Asosiasi dengan Minimum Support = 2

No. Aturan Asosiasi Frekuensi

(Support) Confidence Lift Ratio

1

BERAS ORGANIK CAP

ELANG 5 KG, =>TELUR,

ROMA KELAPA 300 G,

SEDAP GORENG, ROMA

MALKIST CRACKERS 250 G,

2 0.5 31.500004

2

TELUR, =>BERAS ORGANIK

CAP ELANG 5 KG, ROMA

KELAPA 300 G, SEDAP

GORENG, ROMA MALKIST

CRACKERS 250 G,

2 0.2 6.3

3

ROMA KELAPA 300 G,

=>BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

SEDAP GORENG, ROMA


2 1.0 31.500004

4

SEDAP GORENG, =>BERAS

ORGANIK CAP ELANG 5

KG, TELUR, ROMA KELAPA

300 G, ROMA MALKIST

2 1.0 31.500004


48

CRACKERS 250 G,

5

ROMA MALKIST

CRACKERS 250 G, =>BERAS

ORGANIK CAP ELANG 5

KG, TELUR, ROMA KELAPA

300 G, SEDAP GORENG,

2 1.0 31.500004

6

BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

=>ROMA KELAPA 300 G,

SEDAP GORENG, ROMA


2 1.0 31.500004

7

BERAS ORGANIK CAP

ELANG 5 KG, ROMA

KELAPA 300 G, =>TELUR,

SEDAP GORENG, ROMA


2 1.0 63.000001

8

BERAS ORGANIK CAP

ELANG 5 KG, SEDAP

GORENG, =>TELUR, ROMA

KELAPA 300 G, ROMA


2 1.0 63.000001

9

BERAS ORGANIK CAP

ELANG 5 KG, ROMA


=>TELUR, ROMA KELAPA

300 G, SEDAP GORENG,

2 1.0 63.000001

10

TELUR, ROMA KELAPA 300

G, =>BERAS ORGANIK CAP

ELANG 5 KG, SEDAP


CRACKERS 250 G,

2 2.0 63.000001

11

TELUR, SEDAP GORENG,

=>BERAS ORGANIK CAP

ELANG 5 KG, ROMA

KELAPA 300 G, ROMA


2 2.0 63.000001

12

TELUR, ROMA MALKIST


ORGANIK CAP ELANG 5

KG, ROMA KELAPA 300 G,

SEDAP GORENG,

2 2.0 63.000001

13

ROMA KELAPA 300 G,

SEDAP GORENG, =>BERAS

ORGANIK CAP ELANG 5

KG, TELUR, ROMA


2 2.0 63.000001


49

14

ROMA KELAPA 300 G,

ROMA MALKIST


ORGANIK CAP ELANG 5

KG, TELUR, SEDAP

GORENG,

2 1.0 63.000001

15

SEDAP GORENG, ROMA


=>BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

ROMA KELAPA 300 G,

2 2.0 63.000001

16

BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

ROMA KELAPA 300 G,

=>SEDAP GORENG, ROMA


2 1.0 63.000001

17

BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

SEDAP GORENG, =>ROMA

KELAPA 300 G, ROMA


2 1.0 63.000001

18

BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

ROMA MALKIST

CRACKERS 250 G, =>ROMA

KELAPA 300 G, SEDAP

GORENG,

2 1.0 63.000001

19

BERAS ORGANIK CAP

ELANG 5 KG, ROMA

KELAPA 300 G, SEDAP

GORENG, =>TELUR, ROMA


2 1.0 63.000001

20

BERAS ORGANIK CAP

ELANG 5 KG, ROMA

KELAPA 300 G, ROMA


=>TELUR, SEDAP GORENG,

2 1.0 63.000001

21

BERAS ORGANIK CAP

ELANG 5 KG, SEDAP


CRACKERS 250 G,

=>TELUR, ROMA KELAPA

300 G,

2 1.0 63.000001

22


G, SEDAP GORENG,

=>BERAS ORGANIK CAP

2 2.0 63.000001


50

ELANG 5 KG, ROMA


23


G, ROMA MALKIST


ORGANIK CAP ELANG 5

KG, SEDAP GORENG,

2 2.0 63.000001

24

TELUR, SEDAP GORENG,

ROMA MALKIST


ORGANIK CAP ELANG 5

KG, ROMA KELAPA 300 G,

2 2.0 63.000001

25

ROMA KELAPA 300 G,

SEDAP GORENG, ROMA


=>BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

2 2.0 63.000001

26

BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

ROMA KELAPA 300 G,

SEDAP GORENG, =>ROMA


2 1.0 31.500004

27

BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

ROMA KELAPA 300 G,

ROMA MALKIST

CRACKERS 250 G, =>SEDAP

GORENG,

2 1.0 31.500004

28

BERAS ORGANIK CAP

ELANG 5 KG, TELUR,

SEDAP GORENG, ROMA


=>ROMA KELAPA 300 G,

2 1.0 31.500004

29

BERAS ORGANIK CAP

ELANG 5 KG, ROMA

KELAPA 300 G, SEDAP


CRACKERS 250 G,

=>TELUR,

2 1.0 6.3

30


G, SEDAP GORENG, ROMA


=>BERAS ORGANIK CAP

ELANG 5 KG,

2 2.0 31.500004


51

Berdasarkan tabel 5.7 di atas, ditemukan 30 aturan yang memenuhi minimum

support 2 dan semuanya memiliki nilai lift ratio > 1 yang berarti jika membeli

barang A maka akan membeli barang B. Waktu yang diperlukan untuk melakukan

proses pencarian kombinasi kandidat adalah 369ms.

b. Minimum support = 3 dan minimum confidence = 50%.

Gambar 5.8. Kombinasi Kandidat yang Memenuhi 3 Minimum Support

Berdasarkan gambar 5.6 kombinasi kandidat yang

memenuhi frequent itemset ditemukan kombinasi kandidat

yang dapat dijabarkan menjadi aturan asosiasi. Kombinasi

yang ditemukan adalah Gula KBA dan Sunlight Lime New

Ref 800 ml. Kombinasi dua barang tersebut memenuhi

minimum support yang telah ditetapkan, maka kedua barang

yang telah menjadi kombinasi kandidat itu dapat menjadi

aturan asosiasi seperti yang tertera pada gambar 5.7.


52

Gambar 5.9. Tampilan Aturan Asosiasi dengan 3 Minimum Support

Gambar aturan asosiasi di atas dijelaskan lebih lanjut

pada tabel 5.7 di bawah ini yang menunjukkan hasil analisis

asosiasi yang dihasilkan dari pengujian algoritma ECLAT

dengan menetapkan minimum support = 2 dan minimum

confidence = 50%. Dari hasil tersebut dapat dievaluasi bahwa

ditemukan 2 aturan asosiasi.

Tabel 5.11. Daftar Aturan Asosiasi dengan Minimum Support = 3

No. Aturan Asosiasi Frekuensi

(Support) Confidence Lift Ratio

1 GULA KBA, =>SUNLIGHT

LIME NEW REF 800 ML, 5 0.20834 1.458335

2 SUNLIGHT LIME NEW REF

800 ML, =>GULA KBA, 5 0.55556 1.458335

Berdasarkan tabel 5.8 di atas, ditemukan 30 aturan yang memenuhi minimum

support 2 dan semuanya memiliki nilai lift ratio > 1 yang berarti jika membeli

barang A maka akan membeli barang B. Waktu yang diperlukan untuk melakukan

proses pencarian kombinasi kandidat adalah 95ms.

5.3 KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK

5.3.1 Kelebihan Perangkat Lunak

Adapun kelebihan yang dimiliki oleh perangkat lunak

analisis asosiasi menggunakan algoritma ECLAT ini adalah:

1. Sistem dapat menerima masukan file dengan tipe .xlsx.


53

2. Sistem dapat menyeleksi atribut sehingga pengguna

tidak perlu menyeleksi atribut secara manual.

3. Sistem dapat menerima masukan dari radio button yang

membuat sistem dapat menerima masukan jumlah

kolom yang dinamis.

4. Sistem dapat melakukan proses perhitungan frequent

itemset dengan tepat berdasarkan minimum support

yang telah dimasukkan.

5. Sistem dapat menampilkan waktu yang diperlukan

untuk mencari frequent itemset.

6. Sistem juga dapat melakukan proses perhitungan

confidence dan lift ratio berdasarkan minimum

confidence yang dimasukkan oleh pengguna.

7. Sistem dapat menyimpan hasil analisis asosiasi ke

dalam file bertipe .xlsx.

5.3.2 Kekurangan Perangkat Lunak

Kekurangan yang dimiliki oleh perangkat lunak analisis

asosiasi menggunakan algoritma ECLAT ini adalah:

1. File masukan yang dapat diterima oleh sistem hanya

sebatas file bertipe .xlsx.

2. Sistem membutuhkan memori yang lumayan besar.

3. Sistem membutuhkan waktu sangat lama untuk mencari

frequent itemset dari adata berjumlah lebih dari 500

record.


54

BAB VI

PENUTUP

6.1 Kesimpulan

Hasil penelitian analisis asosiasi menggunakan algoritma ECLAT

pada toko grosir Pancaran Bahagia ini menghasilkan kesimpulan sebagai

berikut:

1. Algoritma ECLAT dapat diterapkan untuk menganalisis transaksi

penjualan pada toko grosir.

2. Algoritma ECLAT ini dapat memproses data berjumlah 100

dataset terpilih dalam waktu 369ms, dengan ketentuan yang

diberikan berupa minimum support = 2 dan minimum confidence

= 50%. Hasil dari program tersebut adalah sebagai berikut:

a. Ditemukan 30 aturan asosiasi dari 5 kombinasi kandidat

barang yaitu Beras Organik Cap Elang 5 kg, Telur, Roma

Kelapa 300 g, Sedap Goreng dan Roma Malkist Crackers 250

g.

b. Dari 30 aturan asosiasi yang ditemukan, nilai lift ratio

tertinggi adalah 63.000001.

3. Algoritma ECLAT ini dapat memproses data berjumlah 100

dataset terpilih dalam waktu 95ms, dengan ketentuan yang

diberikan berupa minimum support = 3 dan minimum confidence

= 50%. Hasil dari program tersebut adalah sebagai berikut:

a. Ditemukan 2 aturan asosiasi dari 2 kombinasi kandidat

barang yaitu Gula KBA dan Sunlight Lime New Ref 800 ml.

b. Dari 2 aturan asosiasi yang ditemukan, kedua aturan asosiasi

tersebut memiliki nilai lift ratio yang sama yaitu 1.458335.


55

6.2 Saran

Penelitian analisis asosiasi menggunakan algoritma ECLAT pada toko

grosir Pancaran Bahagia ini memberikan saran untuk pengembangan

penelitian di masa mendatang, yaitu:

1. Penerapan binerisasi saat transformasi data untuk mempercepat

proses menghitung frequent itemset pada data besar di atas 500

record data.

2. Penelitian menggunakan dataset per tahun atau data dengan

jumlah besar.

3. Sistem dikembangkan agar dapat menampilkan hasil analisis

asosiasi dalam bentuk yang lebih menarik (misal grafik).

4. Sistem dikembangkan agar dapat menerima masukan data file

bertipe selain .xlsx.


56

DAFTAR PUSTAKA

Arinda, Dwi Syafina. Sulastri. Implementasi Data Mining Menggunakan

Algoritma ECLAT. SKRIPSI. Universitas Stikubank Semarang: Prosiding

SINTAK; 2017.

Arincy, Nuke. Multidimensional Association Rules Mining untuk Data Kebakaran

Hutan Menggunakan Algoritme FP-GROWTH dan ECLAT. Institut Pertanian

Bogor: Skripsi: 2014.

Han, Jiawei. Micheline Kamber. Jian Pei. 2012. Data Mining: Concepts and

Techniques 3rd ed. Morgan Kaufmann, New York.

Kusrini. Emma Taufiq Luthfi. 2009. Algoritma Data Mining. CV Andi Offset,

Yogyakarta.

Puspitasari, Vina. Pengelompokan Sekolah Menengah Atas Di Provinsi Daerah

Istimewa Yogyakarta Berdasarkan Nilai Ujian Nasional Menggunakan Algoritma

Agglomerative Hierarchical Clustering. Universitas Sanata Dharma Yogyakarta:

Skripsi: 2016.

Samodra, Joseph Eric. Budi Susanto. Willy Sudiarto Raharjo. 2015. Implementasi

Algoritma Eclat untuk Frequent Pattern Mining pada Penjualan Barang. Vol.

10(2):101-110.


57

LAMPIRAN


58

LAMPIRAN 1

Narasi Use Case

Use Case Name Input file .xlsx

Use Case ID P-01

Priority High

Primary Business Actor User

Description

Use Case ini menjelaskan tentang bagaimana pengguna atau user

memasukkan file bertipe .xlsx untuk diproses menggunakan

algoritma ECLAT.

Precondition User sudah masuk sistem dan berada di halaman utama.

Typical Course of Events

Actor Action System Response

Step 1: User dapat menekan

tombol “Browse” untuk

memasukkan file dengan

ekstensi .xlsx sebagai model

yang akan dianalisis dengan

algoritma ECLAT.

Step 2: Sistem akan menampilkan

jendela baru yang akan digunakan

oleh pengguna untuk melakukan

pencarian file dengan ekstensi

.xlsx.

Step 3: User bisa memilih file

ekstensi .xlsx yang akan

digunakan pada direktori

komputer.


59

Step 4: Sistem akan membaca file

yang telah dipilih oleh user dan

akan menampilkan dalam bentuk

tabel pada halaman utama sistem.

Postcondition File yang telah dipilih oleh user akan tampil pada tabel yang

tersedia pada halaman utama.

Use Case Name Proses ECLAT

Use Case ID P-02

Priority High

Primary Business Actor User

Description

Use Case ini menjelaskan tentang bagaimana pengguna atau user

melakukan seleksi atribut tanggal transaksi, lalu melakukan proses

algoritma ECLAT dengan memasukkan min. support dan min.

confidence.

Precondition File ekstensi .xlsx yang dipilih telah tampil pada tabel yang

tersedia pada halaman utama.

Typical Course of Events

Actor Action System Response

Step 1: User dapat menekan

tombol “Browse” untuk

memasukkan file dengan

eks

ANALISIS ASOSIASI MENGGUNAKAN ALGORITMA ECLAT...

Documents

Transcript of ANALISIS ASOSIASI MENGGUNAKAN ALGORITMA ECLAT...